ChatGPT之后，AI为什么开始“长出身体”？

2026-09-14 1 阅读

过去几年，人工智能最重要的变化，发生在屏幕里。ChatGPT让机器开始理解语言，生成式AI让机器开始创作，多模态AI让机器逐渐学会“看”。而到了今天，人工智能正在向另一个方向继续进化：让AI走出屏幕，进入现实世界。这也是为什么，具身智能、人形机器人、Physical AI正在成为人工智能产业的新热点。

ChatGPT之后，AI为什么开始“长出身体”？

过去几年，人工智能最重要的变化，发生在屏幕里。ChatGPT让机器开始理解语言，生成式AI让机器开始创作，多模态AI让机器逐渐学会“看”。而到了今天，人工智能正在向另一个方向继续进化：

让AI走出屏幕，进入现实世界。

这也是为什么，具身智能、人形机器人、Physical AI正在成为人工智能产业的新热点。

AI会聊天，只是开始

ChatGPT出现之后，很多人第一次真正感受到人工智能的能力。过去，我们需要学习软件的操作逻辑；现在，只需要告诉AI目标。让AI写文章、分析数据、生成代码、制作方案，这些任务已经越来越普遍。但仔细观察就会发现，这些任务有一个共同点：

它们都发生在数字世界。

AI可以告诉我们“应该怎么做”，却不一定能够真正替我们完成现实世界中的任务。

例如：“把桌上的杯子拿过来。”对于人类来说，这是一句非常简单的话。但对于机器人来说，它背后可能包含视觉识别、空间理解、目标判断、路径规划、抓取控制和动作反馈。

也就是说，机器人真正需要的，不只是一个“会说话的大脑”，还需要一副能够进入现实世界的身体。

从大语言模型到具身智能

这正是人工智能技术正在发生的变化。第一阶段，是大语言模型。AI开始理解文字和语言。第二阶段，是多模态AI。AI开始同时处理文字、图片、视频和声音。第三阶段，是VLA，也就是视觉—语言—动作模型。AI不仅要知道“看到了什么”，还要进一步判断：“接下来应该做什么？”

Google DeepMind在2026年7月发布Gemini Robotics 2，就进一步推动了这一方向。该模型强调从视觉和语言理解走向机器人动作，并推动机器人获得全身控制、灵巧操作和协作能力。

与此同时，Google还推出Gemini Robotics On-Device 2，将VLA模型进一步推向本地机器人设备，让人工智能能够更加直接地参与真实环境中的任务执行。

这背后的意义是：

AI正在从“生成内容”，走向“生成行动”。

Figure：人工智能进入工厂

如果说过去机器人更多是在实验室里展示，那么现在，越来越多机器人已经开始接受真实产业环境的考验。

2026年6月，Figure 03进入BMW美国Spartanburg工厂。

Figure披露，上一代Figure 02在2025年已经参与BMW相关生产流程，新一代Figure 03则进一步执行更复杂的物流任务。

更值得关注的是，其Helix 02 VLA系统需要协调机器人的手、臂、躯干和脚步，让机器人在移动过程中完成操作。

这意味着，人形机器人正在从：“会不会走？”逐渐进入：“能不能工作？”这两个问题，看起来只有几个字的差别，背后却是整个人工智能机器人产业的跃迁。

中国也在推动AI进入真实场景

人工智能真正进入产业，必须依靠真实数据。2026年6月，工业和信息化部，国务院国资委联合开展2026年度人形机器人与具身智能实景实训专项行动。政策明确提出，要围绕制造、仓储物流、医疗康养、安全生产、应急救援等真实场景开展训练，通过真实环境不断优化具身智能模型，积累高质量真机数据，并推动“实景实训—数据沉淀—产品迭代—规模部署”的闭环。

到2026年底，目标形成百个以上高价值应用场景，并推动形成万台级规模落地能力。

这说明中国的具身智能正在从“展示能力”向“作业能力”转变。